Zacznij terazZacznij za darmo

Pierwszy model CTR

W tym ćwiczeniu zbudujesz pierwszy model CTR na zbiorze danych Avazu, używając drzewa decyzyjnego, a następnie ocenisz jego dokładność za pomocą accuracy_score() z biblioteki sklearn. Skorzystasz też z funkcji train_test_split() z sklearn, aby podzielić dane na treningowe i testowe – zamiast ręcznie definiować punkt podziału, jak wcześniej.

W swoim środowisku pracy masz załadowane przykładowe dane w formie DataFrame jako df, a także biblioteki sklearn i pandas jako pd.

Wykonasz podstawowy podział na zbiór treningowy i testowy, a wyniki ocenisz za pomocą miary dokładności.

To ćwiczenie jest częścią kursu

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zdefiniuj zmienne X i y jako cechy i zmienną docelową odpowiednio, na podstawie kolumny click.
  • Podziel dane na zbiory treningowy i testowy, używając train_test_split(X, y).
  • Utwórz klasyfikator oparty na drzewie decyzyjnym.
  • Wygeneruj prognozy za pomocą klasyfikatora i oceń ich dokładność.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Define X and y 
X = df.____[:, ~df.columns.____(['click'])]
y = df.click

# Define training and testing
X_train, X_test, y_train, y_test = \
	____(____, _____, test_size = .2, random_state = 0)

# Create decision tree classifier
clf = ____()

# Train classifier - predict label and evaluate accuracy
y_pred = clf.fit(____, _____).____(X_test) 
print(____(y_test, y_pred))
Edytuj i uruchom kod